面向车路协同的路侧感知仿真系统

路侧感知是车路协同应用开发的重要组成部分,通过在路侧部署传感器,将采集到的路面信息经V2X通信给到车辆,使车辆拥有超视距的感知能力.在实际应用中,为达到最优的路侧感知效果,不同的场景往往需要不同的RSU配置,RSU的选型及安装是一个耗时耗力的过程.交通参与者的识别是路侧感知的核心,基于机器学习的识别算法需要大量的标签数据,而人工打标签被验证是一个效率极其低下的方式.通过构建路侧感知仿真系统可以很好地解决RSU配置及样本数据生成的问题,实验一通过在仿真系统中调整激光雷达的高度和角度,得到极端情况下的车辆遮挡情况,从而为激光雷达的实际安装高度提供参考,实验二在仿真环境中输出带标签的激光雷达点云数据,通过与实际采集的点云数据进行融合对比,验证仿真系统输出的激光雷达点云数据可以作为模型训练的数据补充.     

模拟激光雷达点云在路侧感知算法中的应用

路侧感知算法融合车载感知算法实现了超视距感知, 基于深度学习的感知算法性能取决于激光雷达点云标签标注的质量, 而点云标签相对于二维图像更难标注, 需要大量时间人力成本进行标注, 且现行感知算法都是针对于车载激光雷达. 针对这些问题, 本文提出了一种基于路侧激光雷达栅格特征聚类的感知算法, 该算法首先对路侧激光雷达点云栅格化并提取特征, 再构建深度学习方法模型学习栅格的初级感知信息, 最后根据初级感知信息进行聚类完成感知检测. 本文还利用仿真平台模拟路侧激光雷达点云, 并研究混合数据集在感知算法训练上的应用, 基于模拟数据预训模型微调(Fine-tune)在感知算法上的应用. 实验结果表明, 本文提出的路侧感知算法具有较高的实时性与可靠性, 模拟路侧激光雷达点云有助于路侧感知算法训练, 减少路侧感知算法对标注工作的依赖, 提高感知算法性能.     

基于改进YOLOv5的车辆端目标检测

在自动驾驶应用场景下, 将YOLOv5应用于目标检测中, 性能较之前版本有明显的提升, 但在高运行速度情况下检测精度仍不够高, 本文提出一种基于改进YOLOv5的车辆端目标检测方法. 为解决训练不同数据集时需手动设计初始锚框大小, 引入自适应锚框计算. 在主干网络(backbone)添加压缩与激励模块(squeeze and excitation, SE), 筛选针对通道的特征信息, 提升特征表达能力. 为了提升检测不同大小物体时的精度, 将注意力机制与检测网络融合, 把卷积注意力模块 (convolutional block attention module, CBAM)与Neck部分融合, 使模型在检测不同大小的物体时能关注重要的特征, 提升特征提取能力. 在主干网络中使用空间金字塔池化SPP模块, 使得模型输入可以输入任意图像高宽比和大小. 在激活函数方面, 进行卷积操作后使用Hardswish激活函数, 应用于整个网络模型. 在损失函数方面, 使用CIoU作为检测框回归的损失函数, 改善定位精度低和训练过程中目标检测框回归速度慢的问题. 实验结果表明, 改进后的检测模型在KITTI 2D数据集上测试, 目标检测的精确率(precision)提高了2.5%, 召回率(recall)提高了5.1%, 平均精度均值(mean average precision, mAP)提高了2.3%.     

基于改进ViBe的室外行人检测方法

室外动态环境的行人监控检测一直是研究的难点,存在光照变化、树叶摇晃、小动物经过等复杂干扰。本文提出一种基于改进视觉背景抽取法(Visual Background Extractor,ViBe)的室外行人检测方法,该方法采用基于区域的改进ViBe更新策略,该策略在加快鬼影消除速度的同时,提高了行人目标提取的完整度,然后在前景目标提取的过程中通过背景差的方法过滤复杂背景导致的误报区域,最后在此基础上根据一定的逻辑规则执行行人检测。实验结果表明,该方法既可以提高鬼影消除速度,也有效降低复杂多变背景的干扰,在室外场景进行行人检测具有较高的准确性、鲁棒性。